机器阅读理解任务旨在让机器理解自然语言文档并回答相关问题,近年来,由提问者每次仅提出一个问题的单问题阅读理解任务（Sq-MRC）发展迅速。但在现实中,我们经常遇到这样的情况,提问者提出一系列不间断的问题来增加对事物的了解,对应任务称为连续问题阅读理解任务（Cq-MRC）。由于连续问题中后续问题存在表达不完整的现象,如回指或主语省略,以及缺乏用于模型训练和性能评估的大规模标注样本,因此极具挑战。本文聚焦于探索连续问题机器阅读理解任务,主要研究内容和贡献如下:（1）连续问题定义与Cq-MRC任务形式化,面向Cq-MRC任务数据集的构建与划分。由于Cq-MRC任务的相关研究较为薄弱,目前还没有关于该任务的形式化定义,且缺乏公开发表的大规模数据集。为了后续开展研究,本文以新闻数据为例,对连续问题和Cq-MRC任务进行数学形式化定义,同时在已有的Les MRC 2.0数据集基础上通过改造构建和划分了适合Cq-MRC任务的训练和测试数据。（2）基于后续问题复原的连续问题阅读理解方法的提出。针对Cq-MRC任务中存在的后续问题表述不全、缺乏标记样本的问题,本文探索了Cq-MRC任务,提出了基于后续问题复原的方法,该方法通过构造一个基于深度神经网络的关键实体识别模型和一个复原后续问题的启发式方法,将后续问题缺失信息补充完整,从而将Cq-MRC任务转换为一组可以用基于预训练语言模型BERT完成的单问题阅读理解任务。同时利用少样本学习方法解决标注数据集不足无法训练一个较好的神经网络模型的问题。实验表明,基于后续问题复原的连续问题阅读理解方法可以有效地提升答案精度。（3）基于硬参数共享多任务学习的连续问题阅读理解方法的提出。针对基于后续问题复原的Cq-MRC方法存在的耗费训练时间和测试时间、缺乏中间过程学习记忆等不足之处,本文利用硬参数共享多任务学习方法,将关键实体预测和答案预测定义为两个子任务,并对它们进行联合学习,两个子任务间共享向量表示与特征编码器,使得模型优化过程中底层的共享参数特征帮助子任务之间互相学习,共同提升泛化效果。此外,设计了联合损失函数共同训练两个子任务,并设置动态权重分配与静态权重调整两种损失权重调节机制。该方法提高了Cq-MRC任务的性能表现,提升了模型训练和测试效率。